Vincent Hentzepeter, hoofdredacteur LABinsights | Foto: Finn Hentzepeter
Je ziet veel doemscenario’s dat kunstmatige intelligentie veel banen gaat kosten en slimmer wordt dan ons mensen – lees: jou als onderzoeker en analist overbodig maakt.
Het zou leiden tot een totale ontwrichting van hoe organisaties ingericht zijn, waarbij routinewerk grotendeels gedaan zou worden door AI-systemen. Nu al nemen bedrijven een voorschot op de AI-revolutie. Ik zou haast willen zeggen: ‘onder het mom van AI kan het allemaal veel beter en goedkoper worden’, vinden ze een excuus voor ingrijpende reorganisaties. Neem het massaontslag bij ABN Amro. Bijna een kwart van het personeel gaat eruit. De bank schrapt tot 2028 maar liefst 5200 voltijdsbanen (ca. 20-25% van het personeel) als gevolg van automatisering, digitalisering en AI-inzet. Alles gericht op het verminderen van kosten en verhogen van de winstgevendheid.
De weerbarstige praktijk
Nu waarschuwen experts wel dat AI echt anders is dan conventionele automatisering – het kan routinetaken als boekhouden (deels) overnemen en klantenbeheer – maar dat moet zich in de praktijk nog wel bewijzen. De eerste voorbeelden van bedrijven die zich verslikten in AI laten zien dat die praktijk weerbarstig is. Bezorgservices bijvoorbeeld, die hun klantenservice aan AI uitbesteedden, maar nu op hun schreden terugkeren. Valt toch tegen, om alles met AI op te willen vangen. Daar komt namelijk een flinke automatiseringsstructuur en jaren van big data bij kijken. Om die informatie voor je te laten werken, zijn weer ict’ers nodig. Die experts zijn schaars en duur – met garantie tot de voordeur of die automatiseringsoperatie gaat renderen.
“Voor routineanalyses kan het denk ik uit, al verwacht ik daar dat AI eerder repetitief werk uit handen gaat nemen om mensen vrij te maken voor complexere labtaken”
Vincent Hentzepeter, hoofdredacteur
Terug naar het lab. Daar is het, gezien de complexiteit, een stuk lastiger – dan bij bijvoorbeeld een online ticketservice – om onderzoek door AI te vervangen. Voorbeeldje. Een analist ziet direct dat een rood monster onmogelijk een boerenkoolmonster kan zijn. Niet omdat AI zegt dat boerenkool groen is, maar omdat je dat intuïtief weet. AI weet dat pas als het als controlestap in het systeem is ingebouwd. ‘If’ monster groen, dan kan het boerenkool zijn. ‘If’ monster rood, foutmelding. Zoiets automatiseren en volledig op AI varen betekent datasets grondig trainen, evalueren, laten schaduwdraaien en valideren.
AI als hulpkracht, niet als manager
En wie gaat dat allemaal managen? Voor routineanalyses kan het denk ik uit, al verwacht ik daar dat AI eerder repetitief werk uit handen gaat nemen om mensen vrij te maken voor complexere labtaken. Maar voor alles buiten de routine? Ik zie het daar niet zo 1-2-3 gebeuren. Eerder zal AI daar een hulpmiddel zijn om sneller informatie te ontsluiten. Om meer tijd te kunnen stoppen in de interpretatiefase, waar AI echt slecht in is.
“Modellen weten veel, maar denken niet zoals wetenschappers”
Interessant in dit kader is de visie van Sapio Sciences. Deze Amerikaanse LIMS-speler stelt dat AI een geweldig hulpmiddel kan zijn voor wetenschappers, maar hen niet zal vervangen. Voornaamste reden: generatieve AI kan informatie razendsnel verwerken, maar nog niet denken zoals een wetenschapper. Zo falen modellen regelmatig om onderscheid te maken tussen een monster en een reagens, kunnen ze testresultaten niet in hun context interpreteren (verwisseling tomatenpuree- en boerenkoolmonster) of voorspellen of een protocolstap klopt of niet. Ze weten veel, maar denken niet zoals wetenschappers. Ik kom er binnenkort op terug. Laat ik je dit meegeven. Laat je niet gek maken door al die doemscenario’s over AI; dat is voorlopig sciencefiction!
